前沿 I · 结构预测与蛋白设计
核对于 2026-07。本线全程标注核对时间——它一定会过期。 证据地位：结构预测与设计成果【实】；"折叠问题已解决"【争】（承线一第三页）；临床转化【未定】。 线六开始。第一站是过去五年生物学最耀眼的进展：AI 不仅学会了预测蛋白结构，还学会了设计自然界不存在的蛋白。2024 年诺贝尔化学奖同时授予结构预测与蛋白设计——Demis Hassabis 与 John Jumper（AlphaFold）、以及 David Baker（计算蛋白设计），标志着这个领域的成熟。
一、预测：AlphaFold 做到了什么
线一第三页讲过折叠问题的难度（Levinthal 悖论、能量漏斗）。半个世纪里，测定结构靠 X 射线晶体学、核磁、冷冻电镜——每个结构耗时数月到数年。
AlphaFold2（2020）在 CASP 竞赛中对大量单体蛋白达到接近实验精度的预测。随后发布的预测数据库覆盖了 2 亿以上的蛋白序列，把"查结构"变成了日常操作。AlphaFold3 进一步扩展到蛋白–配体、蛋白–核酸等复合物的建模。
为什么它有效（简化的直觉）：
- 共演化信号：若两个残基在三维空间接触，它们的突变往往相关（一方变了，另一方需补偿性变化才能维持结构）。多序列比对（MSA）中的相关模式，编码了空间接触信息——这是深度学习之前就已知的思想，AlphaFold 把它用到了极致；
- 端到端几何建模：直接输出三维坐标，而非先预测接触图再重建；
- 注意力机制在残基对之间传递信息，隐式地做了类似三角不等式的几何一致性推理。
必须保留的限定（承线一第三页，仍然适用）：
- 预测终态 ≠ 理解折叠动力学；
- 静态结构 ≠ 功能：许多蛋白依赖构象变化、柔性区、多态平衡；
- 内在无序蛋白本就没有固定结构，而它们在信号传导与相分离中极重要；
- 点突变的精细效应预测仍不可靠——这直接限制了它在解读遗传变异（线三第三页）中的用途；
- 置信度不均：必须看 pLDDT/PAE 等指标，不能一概信任。
二、设计：从预测到创造
比预测更激进的一步是从头设计（de novo design）——造一个自然界从未演化出的蛋白。
线一第三页给了它的理论空间：\(20^{100}\) 的序列空间中，演化只探索了极小一角，大量物理上可行且有用的蛋白从未被尝试。
方法的演进：
- 早期（Rosetta，基于物理能量函数）：设计理想化的折叠（如 Top7，2003 年首个成功的全新折叠），费力且成功率低；
- 深度学习时代：RFdiffusion 用扩散模型——与图像生成同源的思想——从噪声中逐步"去噪"出合理的蛋白骨架，再用序列设计网络（如 ProteinMPNN）填上氨基酸序列。成功率与可及的复杂度大幅提升；
- 当前：Baker 实验室已发布后续版本（RFdiffusion2/3），其中酶设计的性能被报告为接近天然酶水平，通用性进一步提高。此处属快速变动区，具体版本与性能请查最新文献。
已实现的设计目标：
- 结合蛋白：针对指定靶点设计高亲和力结合剂（潜在用于药物、诊断、中和病毒）；
- 酶：设计催化特定反应的活性位点（历史上最难的目标之一，近年有实质进展）；
- 自组装纳米结构：设计蛋白笼、纤维、二十面体壳——可用作疫苗支架（多价展示抗原可增强免疫应答，承线二第四页）；
- 传感器与开关：构象随配体切换的蛋白。
三、这为什么是范式转变
传统路径：在自然界寻找一个大致合适的蛋白 → 定向进化改造它。受限于起点。
新路径：指定功能需求 → 直接设计满足需求的分子。这把蛋白工程从"筛选与改良"转向"按需制造"，与化学合成的历史地位类似——从采集天然产物，转向合成任意分子。
与本课其他部分的连接：
- 🔗 线一第三页：设计的可行性建立在"序列决定结构"与"能量漏斗"之上；
- 🔗 线四：定向进化本身是人工加速的自然选择（变异+选择+扩增），而从头设计绕过了演化——这是两种截然不同的搜索策略。演化受历史约束（线四第一页），设计不受，这正是它能探索演化未及之处的原因。
四、局限与现实检验
必须泼的冷水：
- 成功率仍是问题：设计需要湿实验验证，多数候选失败；报道通常突出成功案例；
- "设计出来"≠"能用"：一个在试管中折叠正确、结合紧密的分子，距离药物还有免疫原性、稳定性、递送、毒性、药代动力学等一长串关卡——绝大多数在此止步；
- 动态与复杂功能仍难：设计静态结合容易，设计需要精确构象循环的分子机器（如线一第三页的马达）仍很困难；
- 临床验证尚早：已有设计蛋白进入临床研究阶段，但成熟的获批产品仍有限，此处标【未定】。
五、生物安全：必须正视的一面
能设计蛋白，原则上也能设计有害的蛋白。领域内已有实质性的应对讨论与实践：
- 核酸合成筛查：商业 DNA 合成公司筛查订单，识别与已知危险序列的相似性；
- 模型层面的防护：对结构预测/设计模型的开放程度进行分级，部分能力受限发布；
- 国际规范与自律：研究者社群就"哪些设计目标不应追求"发布过共同声明。
教学立场：本课讨论这些机制与治理框架，因为理解它们是负责任地从事生命科学的一部分；本课不提供任何可用于制造危害的具体操作信息。这条边界是明确且不可协商的。
六、判读这一领域的提示
读到"AI 设计出某某蛋白"的报道时：
- 是计算结果还是湿实验验证过？
- 验证到哪一层——折叠正确？结合有效？在细胞中有功能？在动物中有效？
- 成功率是多少——设计了多少个、成功几个？
- 与现有方法比，优势是速度、性能还是可及性？
这套问题同样适用于本线其余各页。
下一页：前沿 II——基因编辑。从 CRISPR 的机制，到已获批的疗法，再到 2025 年那个为单个婴儿定制的编辑治疗——以及生殖系编辑的红线。